Achtergrond · het bewijs

Kan AI de markt verslaan?

Het eerlijke antwoord is genuanceerd: de wetenschap vindt echt voorspellend signaal, maar de praktijk laat zien dat de index verslaan — met of zonder AI — uitzonderlijk moeilijk is. Hier is het bewijs, van beide kanten, zonder marketing.

De lat ligt hoog

De efficiënte-markthypothese (Eugene Fama, Nobelprijs 2013) stelt dat koersen alle beschikbare informatie al weerspiegelen — dus structureel “de markt verslaan” met analyse hoort heel moeilijk te zijn. En de cijfers geven die theorie grotendeels gelijk.

SPIVA: de meeste profs verliezen van de index

Volgens de SPIVA-scorecard van S&P Dow Jones presteerde in 2025 zo'n 79% van de actief beheerde Amerikaanse large-cap fondsen slechter dan de S&P 500 — een van de slechtste jaren ooit gemeten. Over 10 jaar loopt dat richting ~84%, over 15 jaar richting ~90%. Dit zijn goedbetaalde professionals, velen mét quant- en algoritme-gereedschap.

Maar de deur staat op een kier

Perfecte efficiëntie is logisch onmogelijk: Grossman en Stiglitz (1980) bewezen dat als koersen álle informatie gratis weerspiegelen, niemand nog reden heeft die informatie te verzamelen — dus moet er een kleine, hardnekkige premie zijn voor wie het analytische werk wél doet. De vraag is niet óf er een randje is, maar hoe klein en vluchtig.

De wetenschap vindt echt signaal

Het toonaangevende onderzoek Gu, Kelly & Xiu (Review of Financial Studies, 2020) paste machine learning toe op decennia Amerikaanse aandelendata en vond grote, out-of-sample economische winst — in sommige gevallen bijna een verdubbeling van de prestaties van klassieke methodes. Machine learning kan dus echt voorspellende structuur uit data halen die simpeler modellen missen.

De praktijk is nuchterder

Tussen “statistisch signaal op papier” en “netto winst na kosten in de echte wereld” gaapt een kloof. Het bekendste publieke AI-fonds, de Amplify AI Powered Equity ETF (AIEQ, sinds 2017, gebouwd op IBM Watson), levert sinds de start ongeveer 10% per jaar — maar bleef daarmee áchter op de S&P 500 over dezelfde periode, tegen ~8× hogere kosten. En de Eurekahedge AI Hedge Fund Index rendeerde ~9,8% per jaar (2009–2024) tegen ~13,7% voor de S&P 500.

De spectaculaire uitzondering — met grote sterretjes

Het Medallion-fonds van Renaissance Technologies haalde naar verluidt ~39% per jaar nétto (1988–2018) en bewijst dat een echt systematisch randje kán bestaan. Maar: Medallion is gesloten voor buitenstaanders, gecapt op ~$10 miljard omdat de strategie niet schaalt, en ultra-hoogfrequent. Tekenend: de publiek toegankelijke fondsen van Renaissance presteerden juist middelmatig. De uitzondering bevestigt hoe zeldzaam en moeilijk-repliceerbaar succes is.

Waarom het zo moeilijk is

Veel “ontdekkingen” repliceren niet

Onderzoekers publiceerden honderden koers-voorspellende “factoren”. Bij strenge hertoetsing verdwijnt 64–85% ervan — vaak data-snooping: genoeg variabelen testen tot er iets toevallig significant lijkt. Een AI getraind op historie is hier extra gevoelig voor.

Een randje slijt zodra het bekend is

McLean & Pontiff (2016) volgden 97 gepubliceerde voorspellers: rendementen waren gemiddeld 58% lager ná publicatie. Edges zijn bederfelijk — juist voor een publiek gedocumenteerd experiment is dat een eerlijke kanttekening.

Backtest-overfitting maakt mooie cijfers nep

Probeer genoeg strategie-varianten en de beste ziet er briljant uit — zelfs als alles ruis is. Daarom is een echte, vooruitlopende live-test (zoals een paper-portefeuille) eerlijker dan welke backtest ook.

Transactiekosten en regimewissels

Veel op-papier-winstgevende strategieën sneuvelen op handelskosten, zeker bij hoge turnover. En modellen die op het verleden zijn geleerd, breken juist als het marktregime kantelt.

Eerlijk blijven: een beroemd “AI verslaat analisten”-paper werd ingetrokken

Een veelbesproken paper uit 2024 (GPT-4 dat winstrichtingen beter voorspelt dan analisten) ging viraal — en werd in februari 2025 ingetrokken nadat een co-auteur inconsistenties in de data vond. Precies het soort kop dat hoort bij gezonde scepsis: indrukwekkende claims die op replicatie sneuvelen. Reden te meer voor een transparante, reproduceerbare test.

De eerlijke conclusie

Samengevat: ja op signaal, grotendeels nee op netto outperformance. Machine learning vindt echt voorspellend signaal, en de beste operators boeken spectaculaire jaren — maar het bewezen, netto, real-world track record is zwak tot gemengd, en risicobeheer (niet rauwe modelkracht) scheidt de winnaars van de verliezers. Beleggers die online “AI stock pickers” met +300%-claims tegenkomen, kijken vrijwel altijd naar zelf-gerapporteerde backtests, geen geauditeerde live-cijfers.

Daarom doet QUANTHEA het zó

Niet beloven dat AI de markt verslaat, maar het live, transparant en vooruitlopend testen — op een paper-rekening, elke dag afgezet tegen de S&P 500, te beoordelen over jaren in plaats van weken. Het experiment kan de index ook onderpresteren. Dat hoort bij een eerlijke proef.

Bronnen & verder lezen

Meer achtergrond

AI & beleggen: waar staan we? →Kan AI de markt verslaan? →Agentic AI: de AI-belegger →Mens vs. machine →QUANTHEA vs. AI-tradingbots →Onze databronnen →Het geheugen van een AI →Hoe Claude een aandeel leest →

Paper trading · illustratief · geen beleggingsadvies. Externe bronnen ter educatie; cijfers kunnen gedateerd zijn — volg de bronlinks voor de actuele stand.